A utilização de raciocínio baseado em casos para a análise de crédito e cobrança

Data Warehouse (DW) é um processo que aglutina dados de fontes heterogêneas, incluindo dados históricos e dados externos para atender à necessidade de consultas estruturadas e ad-hoc, relatórios analíticos e de suporte de decisão. Já um Case-Based Reasoning (CBR) é uma técnica de Inteligência Artificial (AI – Artificial Intelligence) para a representação de conhecimento e inferência, que propõe a solução de novos problemas adaptando soluções que foram usadas para resolver problemas anteriores. A descrição de um problema existente, ou um caso é utilizado para sugerir um meio de resolver um novo problema, avisar o usuário de possíveis falhas que ocorreram anteriormente e interpretar a situação atual. Esta dissertação tem por objetivo apresentar um estudo do uso de um DW combinado com um CBR para a verificação de “risco” de inadimplência no setor de telecomunicações. Setor este que devido as grandes mudanças que ocorreram no mercado, que passam desde a privatização do setor e a entrada de novas operadoras fixas e celulares, criando um ambiente de concorrência, anteriormente inexistente, possibilitando assim ao cliente trocar de operadora ou até mesmo deixar a telefonia fixa e ficar somente com a celular, e vai até ao fato da estabilização econômica e as novas práticas de mercado, que determinou a baixa das multas, tornando assim compensador aos clientes deixar as faturas vencidas a perder juros de aplicações ou pagar juros bancários para quitar a sua dívida, visto que a empresa telefônica só pode aplicar as sanções com o prazo de 30 dias. Este trabalho mostra o desenvolvimento de um CBR para aplicação na área de Crédito e Cobrança, onde são detalhados os vários passos, a utilização do mesmo junto ao um DW, o que proporciona a comparação com desenvolvimento de outros sistemas similares e as diferenças (vantagens e desvantagens) que isso traz ao mesmo.

Capturando aspectos da auto-eficácia do aluno através de um agente inteligente

Esta tese está inserida no trabalho desenvolvido pelo Grupo de Pesquisa de Inteligência Artificial (GIA) da UFRGS, sob a orientação da Professora. Dra. Rosa Maria Vicari e situa-se na área da Inteligência Artificial, com aplicações na Educação a Distância. As principais áreas onde este trabalho de Pesquisa se situa são: Sistemas Tutores Inteligentes, Sistemas Multiagente e Psicologia Social Cognitiva. Dentro desse contexto, o objetivo principal desta pesquisa é a modelagem computacional de aspectos da auto-eficácia de alunos realizando cursos on-line, tomando-se por base o trabalho de Bandura, cuja natureza engloba a cognição e afetividade. Este autor define como Auto-Eficácia "a crença do indivíduo sobre as suas capacidades de exercer controle sobre acontecimentos que afetam a sua vida" e “a crença nas suas capacidades para mobilizar motivação, recursos cognitivos e implementar ações que lhe permitam exercer controle sobre tarefas exigidas". Esta tese propõe um agente capaz de perceber e monitorar os aspectos da autoeficácia do aluno, denominado agente Mediador da Auto-Eficácia (MAE), e prover o modelo do aluno com esta nova variável. O senso de auto-eficácia consiste em crenças, que são processos cognitivos do indivíduo sobre suas capacidades. É em função das crenças de auto-eficácia que ocorrerão as escolhas, a direção e a persistência nos comportamentos de aprendizagem por parte do aluno. Nesse contexto, acredita-se que o desenvolvimento do senso de auto-eficácia do aluno poderá lhe conferir a força motivacional para elaborar sua aprendizagem. O agente MAE monitora o comportamento do aluno através de uma máquina de inferência fuzzy das relações entre as variáveis esforço, persistência e desempenho e aciona um sistema de feedback através do agente pedagógico animado (PAT). O feedback realizado pelo agente pedagógico animado apresenta ao aluno comportamentos verbais e físicos afetivos. O agente MAE está inserido no ambiente InteliWeb, que oferece um material instrucional de Biociências e foi implementado com Servlets e páginas JSP. A maior contribuição desta tese está na agregação de aspectos da auto-eficácia no modelo de aluno envolvido em situações de ensino aprendizagem de alunos, avançando dentro da perspectiva de pesquisa do GIA, assim como o desenvolvimento do InteliWeb com a inserção do agente MAE e sua máquina de inferência fuzzy.

Understanding the critical distance in sparse distributed memory

Modelos de tomada de decisão necessitam refletir os aspectos da psi- cologia humana. Com este objetivo, este trabalho é baseado na Sparse Distributed Memory (SDM), um modelo psicologicamente e neuro- cientificamente plausível da memória humana, publicado por Pentti Kanerva, em 1988. O modelo de Kanerva possui um ponto crítico: um item de memória aquém deste ponto é rapidamente encontrado, e items além do ponto crítico não o são. Kanerva calculou este ponto para um caso especial com um seleto conjunto de parâmetros (fixos). Neste trabalho estendemos o conhecimento deste ponto crítico, através de simulações computacionais, e analisamos o comportamento desta “Critical Distance” sob diferentes cenários: em diferentes dimensões; em diferentes números de items armazenados na memória; e em diferentes números de armazenamento do item. Também é derivada uma função que, quando minimizada, determina o valor da “Critical Distance” de acordo com o estado da memória. Um objetivo secundário do trabalho é apresentar a SDM de forma simples e intuitiva para que pesquisadores de outras áreas possam imaginar como ela pode ajudá-los a entender e a resolver seus problemas.

Who is the cowboy in Washington?: beating google at their own game with neuroscience and cryptography

Who was the cowboy in Washington? What is the land of sushi? Most people would have answers to these questions readily available,yet, modern search engines, arguably the epitome of technology in finding answers to most questions, are completely unable to do so. It seems that people capture few information items to rapidly converge to a seemingly 'obvious' solution. We will study approaches for this problem, with two additional hard demands that constrain the space of possible theories: the sought model must be both psychologically and neuroscienti cally plausible. Building on top of the mathematical model of memory called Sparse Distributed Memory, we will see how some well-known methods in cryptography can point toward a promising, comprehensive, solution that preserves four crucial properties of human psychology.

Aplicação de classificadores Bayesianos e regressão logística na análise de desempenho dos alunos de graduação

Este trabalho minera as informações coletadas no processo de vestibular entre 2009 e 2012 para o curso de graduação de administração de empresas da FGV-EAESP, para estimar classificadores capazes de calcular a probabilidade de um novo aluno ter bom desempenho. O processo de KDD (Knowledge Discovery in Database) desenvolvido por Fayyad et al. (1996a) é a base da metodologia adotada e os classificadores serão estimados utilizando duas ferramentas matemáticas. A primeira é a regressão logística, muito usada por instituições financeiras para avaliar se um cliente será capaz de honrar com seus pagamentos e a segunda é a rede Bayesiana, proveniente do campo de inteligência artificial. Este estudo mostre que os dois modelos possuem o mesmo poder discriminatório, gerando resultados semelhantes. Além disso, as informações que influenciam a probabilidade de o aluno ter bom desempenho são a sua idade no ano de ingresso, a quantidade de vezes que ele prestou vestibular da FGV/EAESP antes de ser aprovado, a região do Brasil de onde é proveniente e as notas das provas de matemática fase 01 e fase 02, inglês, ciências humanas e redação. Aparentemente o grau de formação dos pais e o grau de decisão do aluno em estudar na FGV/EAESP não influenciam nessa probabilidade.

Representação de categorias

Nesta vídeoaula será exposto os principais elementos utilizados na representação do conhecimento em categorias e as formas de raciocínio sobre tais conhecimentos. Uma das técnicas utilizadas é a dedução, que a partir das propriedades é possível o uso de determinadas categorias. Os seguintes conceitos trabalhados são taxonomia, herança e o de categorias disjuntas na qual necessita de informações adicionais para serem representadas. Na decomposição exaustiva veremos que todo elemento da classe pertencem obrigatoriamente a uma das subclasses, já a partição é uma mistura da decomposição exaustiva com a categoria disjunta. A categoria lógica de 1º ordem esta dividida em predicados e objetos, ponto importante na hora de trabalhar com conceitos neste nível. Veremos também que existem duas grandes famílias de sistemas as chamadas redes semânticas e lógicas descritivas. A lógica descritiva fornece uma linguagem formal para construção de categorias, já a semântica oferece recursos gráficos para visualizar uma base de conhecimento, esta será mais explorada nesta aula expondo os tipos de relações permitidas, a forma como se trabalha usando esses valores e como aplicá-las. Este material destina-se a alunos de graduação na área de Sistemas de Informação, Engenharia da Computação, Ciência da Computação, Análise e Desenvolvimento de Sistemas, Sistemas para Internet e cursos correlatos relacionados ao conteúdo.

LIA

Ilustração componente do jogo “LabTecA (http://www.loa.sead.ufscar.br/labteca.php)” desenvolvido pela equipe do Laboratório de Objetos de Aprendizagem da Universidade Federal de São Carlos (LOA/UFSCar).

Encontrando o hardware de LIA

Ilustração componente do jogo “LabTecA (http://www.loa.sead.ufscar.br/labteca.php)” desenvolvido pela equipe do Laboratório de Objetos de Aprendizagem da Universidade Federal de São Carlos (LOA/UFSCar).

Puxando os cabos!

Ilustração componente do jogo “LabTecA (http://www.loa.sead.ufscar.br/labteca.php)” desenvolvido pela equipe do Laboratório de Objetos de Aprendizagem da Universidade Federal de São Carlos (LOA/UFSCar).